【《基于自编码器的数据降维主要算法及模型概述》2800字】_第1页
【《基于自编码器的数据降维主要算法及模型概述》2800字】_第2页
【《基于自编码器的数据降维主要算法及模型概述》2800字】_第3页
【《基于自编码器的数据降维主要算法及模型概述》2800字】_第4页
【《基于自编码器的数据降维主要算法及模型概述》2800字】_第5页
已阅读5页,还剩2页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于自编码器的数据降维主要算法及模型概述目录TOC\o"1-3"\h\u3843基于自编码器的数据降维主要算法及模型概述 [11]是克服Sigmoid函数和tanh函数的缺点的函数,全称为整流线性单元(RectifiedLinearUnit,ReLU),通常由斜坡函数及其变形来表示,也是非线性函数,其特点为无饱和区,收敛快,计算形式简单等,但在变量更新过快时会较为脆弱,容易找不到最佳值,在小于零的分段函数内又会“杀死”梯度。ReLU函数是目前使用度最为广等函数,能够解决梯度等弥散问题,其公式为:(3-11)函数图像如图3-9所示:图3-9ReLU函数图像1.1.4优缺点对比Sigmoid在神经网络层数较少时,能够很好地对神经元在收到激励时是否被激活以及向下一层传递的情况(为1时完全激活,为0时几乎不被激活),但是,在深化神经网络层的使用过程中,其产生梯度弥散和梯度爆炸的可能性也随之增大,梯度爆炸尤甚。tanh函数的梯度消失问题比Sigmoid轻,梯度消失过快,函数的收敛速度变慢。Sigmoid函数不是以零为中心,输出值恒为正,而tanh解决了这一问题,参数更新速度要更快一些。ReLU函数的优点是梯度简单,计算简单,只需对输入是否大于0进行判断,就可以大大提高随机梯度下降的收敛速度,并解决梯度消失问题,收敛速度比Sigmoid和tanh快得多,对加速网络训练帮助极大。但是函数本身过于脆弱,神经元在训练过程中“

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论